Бакалавриат
2019/2020
Математические модели искусственного интеллекта
Статус:
Курс по выбору (Прикладная математика)
Направление:
01.03.04. Прикладная математика
Кто читает:
Департамент прикладной математики
Когда читается:
3-й курс, 3 модуль
Формат изучения:
без онлайн-курса
Преподаватели:
Боголюбов Дмитрий Петрович
Язык:
русский
Кредиты:
3
Контактные часы:
60
Программа дисциплины
Аннотация
Настоящая программа учебной дисциплины устанавливает минимальные требования к знаниям и умениям студента и определяет содержание и виды учебных занятий и отчетности. Программа предназначена для преподавателей и учебных ассистентов, ведущих данную дисциплину, а также студентов специальности 01.03.04 «Прикладная математика» (уровень « бакалавр»), изучающих дисциплину «Математические модели искусственного интеллекта»
Цель освоения дисциплины
- Целью освоения дисциплины «Математические модели искусственного интеллекта " является формирование устойчивых знаний и приобретение базовых умений и навыков в области математического моделирования интеллектуальных систем.
Планируемые результаты обучения
- Знать: Современные направления ИИ; Логические модели представления знаний; Методы автоматизации дедуктивных рассуждений; Модели представления знаний (продукционную, сетевую, фреймовую) Модели представления неопределенных знаний и рассуждений в условиях неопределенности, в том числе вероятностный подход, основанный на байесовских сетях, Нечеткие модели, основанные на теории нечетких множеств и нечетком выводе;
- Знать: Основы теории нейронных сетей, в том числе различные типы нейронных сетей и алгоритмы их обучения; Основы эволюционного моделирования, в том числе основной генетический алгоритм и его разновидности; Теоретические основы создания «мягких» систем ИИ; Архитектуру экспертных и мультиагентных систем; Методы приобретения знаний
- Уметь: Использовать логические модели представления знаний, в том числе логику предикатов 1-го порядка и нечеткую логику при формализации задач; Применять методы автоматизации рассуждений, в том числе метод резолюций, для решения задач; Моделировать нейронные сети различных типов, в том числе многослойный нелинейный перцептрон и алгоритм обратного распространения ошибки, сеть Кохонена и алгоритм обучения без учителя, используя инструментальную среду Matlab (или пакет Trajan);
- Владеть: Методами логического программирования на языке Prolog для создания простых систем искусственного интеллекта; Средствами инструментария нечеткой логики системы Matlab для моделирования нечеткой системы; Средствами создания нейронных сетей различных типов в системе Matlab
Содержание учебной дисциплины
- Введение в инженерию знаний. Модели представления знанийПонятие инженерии знаний. Представление, обработка и приобретение знаний Экспертные системы и базы знаний. Мягкие системы искусственного интеллекта. Модели представления знаний. Продукционные системы Семантические сети и сети фреймов. Формальные системы.
- Логическая модель представления знаний. Методы автоматизации дедуктивных рассужденийЛогика предикатов первого порядка как формальная система. Автоматизация дедуктивных рассуждений. Приведение формулы логики предикатов к множеству дизъюнктов. Алгоритм унификации. Метод резолюций для исчисления предикатов первого порядка. Стратегии резолюции. Классификация вопросов. Решение задач методом резолюций для вопросов классов A, B, C, D. Языки ИИ. Логическое программирование. Язык Пролог
- Неопределенные знания и рассуждения в условиях неопределенности. Нечеткие системыВиды неполной информации при проектировании сложной системы Действия в условиях неопределенности Правило Байеса и его использование Байесовская сеть. Вероятностный вывод в байесовских сетях Вероятностный вывод во временных моделях Статистические методы обучения Основы теории нечетких множеств Операция импликации Законы нечеткой логики Определение лингвистической переменной Основные правила умозаключений Универсальная аппроксимация с помощью систем нечеткого вывода Схемы логического вывода Введение в задачу нечеткого управления. Правила, импликация, заключения. Накопление результатов и дефузификация.
- Основы теории нейронных сетейМоделирование нейронных структур мозга. Модель нейрона. Задачи нейронных сетей. Основные свойства.Обучение однослойных и специальных нейронных сетей. Способы представления процесса обучения Алгоритмы обучения: однослойной нейронной сети, по дельта правилу, однослойных НС с нелинейной функцией активации, алгоритм «победитель получает все» Радиально-базисные сети. Сети регрессии. Вероятностные НС Многослойные нелинейные нейронные сети Алгоритм обратного распространения ошибки Эффективность аппарата нейросетей Обзор современных нейропакетов и их возможностей
- Эволюционные вычисленияОсновные направления современного эволюционного моделирования Генетические алгоритмы и их применение Стандартный генетический алгоритм Вычислительная эффективность применения генетического алгоритма Разновидности генетических алгоритмов Эволюционная стратегия Генетическое программирование Эволюционный алгоритм Применимость генетических алгоритмов для задач оптимизации
- Экспертные и мультиагентные системы. «Мягкие» интеллектуальные системыАрхитектура ЭС Фазы разработки ЭС Архитектура нечетких систем Структуры гибридных систем Нечеткие системы с генетической настройкой Мягкая экспертная система. Примеры систем. Понятие агента. Архитектуры агентов Архитектура взаимодействия системы агентов
- Приобретение знанийПрямые методы приобретения знаний Машинное обучение (с учителем и без учителя) Интеллектуальный анализ данных - Data Mining
Элементы контроля
- Практические работыРешение контрольные заданий на ЭВМ во время семинарских занятий
- Контрольная работа 17 неделя модуля
- Контрольная работа 29 неделя модуля
- Самостоятельной работаКомпьютерные тесты INTUIT.RU. Контрольное тестирование проводится на семинарских занятиях. При нарушении сроков сдачи на 1 семинар штрафной коэффициент равен 0.7. На 2 и более семинара – 0.5.
- Письменный экзаменИтоговый контроль состоит в сдаче устного экзамена с решением задач на ЭВМ. Вопросы, включаемые в экзаменационные билеты, охватывают темы дисциплины, которые обсуждаются на лекционных и семинарских занятиях и предусматривают как письменное решение задач, так и решение задач на языке Prolog и в среде MATLAB. Продолжительность экзамена составляет 60 минут.
Промежуточная аттестация
- Промежуточная аттестация (3 модуль)0.09 * Контрольная работа 1 + 0.09 * Контрольная работа 2 + 0.4 * Письменный экзамен + 0.18 * Практические работы + 0.24 * Самостоятельной работа
Список литературы
Рекомендуемая основная литература
- Алгоритмы искусственного интеллекта на языке PROLOG, Братко, И., Птицина, К. А., 2004
Рекомендуемая дополнительная литература
- Искусственный интеллект : стратегии и методы решения сложных проблем, Люгер, Дж. Ф., 2005
- Лекции по искусственному интеллекту, Осипов, Г. С., 2013
- Нейронные сети : полный курс, Хайкин, С., 2006
- Нейронные сети, генетические алгоритмы и нечеткие системы, Рутковская, Д., 2008